Tecnología · 1o de Preparatoria · Datos, Información y Big Data · III Bimestre

Fundamentos de Inteligencia Artificial y Machine Learning

Los estudiantes se introducen a los modelos predictivos y el aprendizaje automático, comprendiendo sus aplicaciones básicas.

• Aprendizajes Esperados SEP
• SEP EMS: Inteligencia Artificial y Tecnologías Emergentes

Acerca de este tema

Los fundamentos de Inteligencia Artificial y Machine Learning introducen a los estudiantes a los modelos predictivos y al aprendizaje automático, con énfasis en sus aplicaciones básicas. En este tema, exploran cómo las máquinas aprenden patrones de datos generados diariamente, como recomendaciones en redes sociales o predicciones de tráfico. Conectan estos conceptos con la unidad de Datos, Información y Big Data, respondiendo preguntas clave sobre el aprendizaje de las máquinas, sesgos en algoritmos y soluciones sociales en su comunidad mediante IA.

Este contenido alinea con los estándares SEP de Inteligencia Artificial y Tecnologías Emergentes, fomentando habilidades como el análisis crítico de datos y la identificación de sesgos. Los estudiantes comprenden que los modelos predictivos usan datos de entrenamiento para hacer inferencias, pero sesgos en esos datos pueden perpetuar desigualdades, como en algoritmos de reconocimiento facial. Esta perspectiva desarrolla pensamiento ético y sistémico, esencial para la ciudadanía digital.

El aprendizaje activo beneficia particularmente este tema porque conceptos abstractos como el entrenamiento de modelos se vuelven concretos mediante experimentos prácticos. Cuando los estudiantes manipulan datos reales en herramientas simples, detectan sesgos y crean predicciones, retienen mejor los procesos y aplican el conocimiento a problemas locales, fortaleciendo su motivación y comprensión profunda.

Preguntas Clave

1. ¿Cómo aprenden las máquinas a partir de los datos que generamos diariamente?
2. ¿Qué sesgos pueden introducirse en un algoritmo de IA a través de los datos de entrenamiento?
3. ¿En qué áreas de tu comunidad podría la IA resolver un problema social?

Objetivos de Aprendizaje

• Identificar los tipos principales de algoritmos de Machine Learning (supervisado, no supervisado, por refuerzo) y explicar sus diferencias básicas.
• Analizar cómo los datos de entrenamiento pueden introducir sesgos en un modelo de IA, citando ejemplos concretos.
• Diseñar un esquema simple para un modelo predictivo que resuelva un problema social específico en su comunidad utilizando IA.
• Evaluar la aplicabilidad de modelos de IA en escenarios cotidianos como la recomendación de contenido o la predicción de patrones de tráfico.

Antes de Empezar

Recopilación y Organización de Datos

Por qué: Los estudiantes necesitan saber cómo recolectar, clasificar y organizar información para comprender la base sobre la cual operan los algoritmos de Machine Learning.

Conceptos Básicos de Lógica y Algoritmos

Por qué: Es fundamental que los estudiantes comprendan qué es un algoritmo y cómo funcionan los pasos lógicos para poder asimilar el concepto de entrenamiento de modelos.

Vocabulario Clave

Machine Learning (Aprendizaje Automático)	Un campo de la inteligencia artificial que permite a los sistemas aprender y mejorar a partir de la experiencia sin ser programados explícitamente. Utiliza algoritmos para analizar datos, identificar patrones y tomar decisiones.
Algoritmo Predictivo	Un tipo de algoritmo de Machine Learning que utiliza datos históricos para predecir resultados futuros. Se entrena con un conjunto de datos para reconocer patrones y aplicar ese conocimiento a nuevos datos.
Sesgo Algorítmico	Tendencia de un sistema de inteligencia artificial a producir resultados sistemáticamente erróneos o injustos, a menudo debido a suposiciones defectuosas en el proceso de aprendizaje automático. Puede surgir de datos de entrenamiento incompletos o representativos.
Datos de Entrenamiento	El conjunto de datos utilizado para entrenar un modelo de Machine Learning. La calidad y representatividad de estos datos son cruciales para el rendimiento y la imparcialidad del modelo.

Cuidado con estas ideas erróneas

Idea errónea común

La IA piensa y razona como los humanos.

Qué enseñar en su lugar

La IA aprende patrones estadísticos de datos, no comprende conceptos. Actividades de clasificación manual ayudan a estudiantes a experimentar iteraciones de entrenamiento, distinguiendo patrones de razonamiento humano mediante comparación directa.

Idea errónea común

Los algoritmos de machine learning son siempre imparciales.

Qué enseñar en su lugar

Sesgos surgen de datos de entrenamiento no representativos. Análisis grupal de datasets revela estos sesgos, y la discusión colaborativa corrige ideas erróneas al proponer datos equilibrados.

Idea errónea común

Machine learning no requiere grandes cantidades de datos.

Qué enseñar en su lugar

Modelos precisos necesitan datos abundantes y variados. Experimentos con datasets pequeños versus grandes muestran la diferencia en precisión, fomentando observación activa de limitaciones.

Ideas de aprendizaje activo

Predicción Simple: Modelos con Datos Escolares

Proporciona datos ficticios de horas de estudio y calificaciones. En parejas, los estudiantes grafican puntos, trazan una línea de tendencia y predicen calificaciones futuras. Discuten precisión comparando predicciones con datos nuevos.

30 min·Parejas

Detección de Sesgos: Análisis de Conjuntos de Datos

Entrega datasets con sesgos evidentes, como edades en recomendaciones laborales. Grupos identifican patrones sesgados, proponen datos correctivos y reentrenan un modelo simple en una hoja de cálculo. Comparten hallazgos en plenaria.

45 min·Grupos pequeños

Brainstorming Comunitario: IA para Problemas Locales

Clase entera genera problemas sociales de su comunidad, como tráfico o salud. Brainstormean aplicaciones de IA predictiva, votan las mejores y esbozan flujos de datos necesarios. Presentan una propuesta grupal.

40 min·Toda la clase

Simulación de Entrenamiento: Juego de Clasificación

Usa tarjetas con imágenes o descripciones. Individualmente, estudiantes clasifican basados en reglas iniciales, luego 'entrenan' ajustando reglas con datos nuevos. Reflexionan sobre iteraciones en un diario.

25 min·Individual

Conexiones con el Mundo Real

• Los sistemas de recomendación de plataformas como Netflix o Spotify utilizan algoritmos de Machine Learning para sugerir películas o música basándose en el historial de visualización y escucha del usuario. Estos sistemas analizan patrones de consumo para predecir qué contenido será de interés.
• En el sector salud, la IA se aplica para analizar imágenes médicas, como radiografías o resonancias magnéticas, buscando patrones que ayuden a detectar enfermedades en etapas tempranas. Profesionales como radiólogos colaboran con estas herramientas para mejorar la precisión diagnóstica.
• Los servicios de navegación como Google Maps o Waze emplean modelos predictivos para estimar tiempos de llegada y sugerir rutas óptimas, analizando datos de tráfico en tiempo real y patrones históricos.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con el nombre de un tipo de algoritmo de Machine Learning (supervisado, no supervisado, por refuerzo). Pida que escriban una oración describiendo su función principal y un ejemplo de aplicación. Luego, solicite que identifiquen un posible sesgo que podría afectar a ese tipo de algoritmo.

Verificación Rápida

Presente a la clase un escenario hipotético (ej. un algoritmo que clasifica correos electrónicos como spam o no spam). Pregunte: '¿Qué tipo de datos necesitaríamos para entrenar este algoritmo? ¿Cómo podríamos asegurarnos de que los datos de entrenamiento no introduzcan sesgos contra ciertos remitentes o tipos de contenido?'

Pregunta para Discusión

Plantee la siguiente pregunta para debate en pequeños grupos: 'Piensen en un problema social en su comunidad (ej. gestión de residuos, acceso a información educativa, seguridad vial). ¿Cómo podría un modelo predictivo de IA ayudar a resolverlo? ¿Qué datos se necesitarían y qué precauciones éticas deberíamos tomar?'

Preguntas frecuentes

¿Cómo enseñar fundamentos de IA y machine learning en 1o de preparatoria?

Enfócate en modelos predictivos simples con datos cotidianos, como predicciones de calificaciones. Usa herramientas gratuitas como Google Sheets para graficar y entrenar. Integra ética discutiendo sesgos desde el inicio, alineando con SEP para Tecnologías Emergentes.

¿Qué son los sesgos en algoritmos de IA?

Sesgos ocurren cuando datos de entrenamiento reflejan prejuicios humanos, como discriminación por género en contrataciones. Estudiantes aprenden identificándolos en ejemplos reales, proponiendo correcciones para datos más inclusivos, promoviendo IA ética en contextos mexicanos.

¿Cómo el aprendizaje activo ayuda a entender IA en preparatoria?

Actividades prácticas como simular entrenamiento con datos locales hacen abstractos conceptos tangibles. Estudiantes detectan sesgos manipulando datasets, crean predicciones y brainstormean aplicaciones comunitarias, mejorando retención y pensamiento crítico sobre impactos sociales.

¿En qué áreas de México puede la IA resolver problemas sociales?

En tráfico urbano de CDMX, predicciones de congestión optimizan rutas. En salud rural, modelos detectan enfermedades tempranas con datos accesibles. Comunidades indígenas usan IA para preservar lenguas mediante reconocimiento de voz, abordando desigualdades locales.